viewstack和canvas

<?xml version="1.0" encoding="utf-8"?>
<s:Application xmlns:fx="http://ns.adobe.com/mxml/2009"
               xmlns:s="library://ns.adobe.com/flex/spark"
               xmlns:mx="library://ns.adobe.com/flex/mx" minWidth="955" minHeight="600"
               xmlns:tw="http://www.servasoftware.com/2009/twaver/flex"
               creationComplete="init();">
    <fx:Script>
        <![CDATA[
            import mx.controls.Alert;
            
            import twaver.Element;
            import twaver.ElementBox;
            import twaver.Node;
            import twaver.SelectionChangeEvent;
            private var box1:ElementBox = new ElementBox();
            private var box2:ElementBox = new ElementBox();
            
            private function init():void {
                vStack.selectedChild = ca1;
            }
            
            public function nt1Change(e:SelectionChangeEvent):void {
                Alert.show("nt1 select change");
            }
            
            public function nt2Change(e:SelectionChangeEvent):void {
                Alert.show("nt2 select change");
            }
            
            public function toView1():void {
                vStack.selectedChild = ca1;
                //Alert.show(box1.count+"*");
            }
            
            public function toView2():void {
                vStack.selectedChild = ca2;
                //Alert.show(box2.count+"*");
            }
            
            public function loadView1Node():void {
                var node1:Node = new Node("n1");
                node1.setLocation(10,10);
                
                var node2:Node = new Node("n2");
                node2.setLocation(100,10);
                
                box1.add(node1);
                box1.add(node2);
                this.nt1.elementBox = box1;
                this.nt1.addSelectionChangeListener(nt1Change);
            }
            
            public function loadView2Node():void {
                var node3:Node = new Node("n3");
                node3.setLocation(50,10);
                
                var node4:Node = new Node("n4");
                node4.setLocation(150,10);
                
                box2.add(node3);
                box2.add(node4);
                this.nt2.elementBox = box2;
                this.nt2.addSelectionChangeListener(nt2Change);
            }
        ]]>
    </fx:Script>

    <fx:Declarations>
        <!-- 将非可视元素(例如服务、值对象)放在此处 -->
    </fx:Declarations>
    <mx:VBox width="100%" height="100%">
        <mx:ViewStack id="vStack" width="100%" height="100%">
            <mx:Canvas id="ca1"  width="100%" height="100%">
                <tw:Network id="nt1" backgroundColor="#00FF00" width="100%" height="100%"/>
            </mx:Canvas>
            
            <mx:Canvas id="ca2" width="100%" height="100%">
                <tw:Network id="nt2" backgroundColor="#CCFFFF" width="100%" height="100%"/>
            </mx:Canvas>
        </mx:ViewStack>
        <mx:HBox>
            <s:Button label="视图1" click="toView1()"/>
            <s:Button label="加载视图1数据" click="loadView1Node()"/>
            <s:Button label="视图2" click="toView2()"/>
            <s:Button label="加载视图2数据" click="loadView2Node()"/>
        </mx:HBox>
    </mx:VBox>
</s:Application>


  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值